基于邻域曲率的低特征辨识度点云配准方法

来源 :计算机应用研究 | 被引量 : 0次 | 上传用户:ez062009
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
在对特征辨识度低的点云进行配准的过程中,传统的基于局部特征提取和匹配的方法通常精度不高,而基于全局特征匹配的方法精度和效率也难以保证。针对这一问题,提出一种改进的局部特征配准方法。在初步配准阶段,设计了一种基于法向量投影协方差分析的关键点提取方法,结合快速特征直方图(FPFH)对关键点进行特征描述,定义多重匹配条件对特征点进行筛选,最后将对应点的最近距离之和作为优化目标进行粗匹配;在精配准阶段,采用以点到平面的最小距离作为迭代优化对象的改进迭代最近点(ICP)算法进行精确配准。实验结果表明,在配准特
其他文献
将光子计数技术与单像素成像技术结合的单光子压缩成像方法,具有成本低,超高灵敏度的特点,但采用传统压缩重建算法重建时间长。基于深度学习的压缩重建网络不仅避免了迭代运算耗时长的问题,实现了快速重建,而且可获得更好的重建质量。最近用于单像素成像的深度学习压缩重建网络主要基于光探测器工作在模拟方式,采用无噪声或带有加性高斯白噪声的系统仿真数据进行训练。而单光子压缩成像系统噪声主要来源于光强闪烁和光量子效应
期刊